در این مطلب، ویدئو تجزیه و تحلیل داده ها با پایتون | تجزیه و تحلیل داده ها با پایتون چیست | تجزیه و تحلیل داده ها | Intellipaat با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:32:45
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,000 –> 00:00:01,920
جلسه تجزیه و تحلیل داده ها با پایتون توسط
2
00:00:01,920 –> 00:00:03,679
کتابخانه بین کتابخانه ای در این
3
00:00:03,679 –> 00:00:05,680
جلسه نگاهی خواهیم داشت به اینکه تجزیه و تحلیل داده چیست و چگونه
4
00:00:05,680 –> 00:00:07,200
می توانیم از آن به نفع خود استفاده کنیم
5
00:00:07,200 –> 00:00:09,120
تجزیه و تحلیل داده یکی از
6
00:00:09,120 –> 00:00:11,120
مهم ترین مفاهیم به خصوص در
7
00:00:11,120 –> 00:00:12,320
علم داده است که شامل
8
00:00:12,320 –> 00:00:14,240
استفاده از بسیاری از ابزارها می شود. روشهای
9
00:00:14,240 –> 00:00:15,920
مختلف برای درک بهتر دادههایی
10
00:00:15,920 –> 00:00:17,440
که در اختیار دارید، بنابراین چگونه میتوانید با آنها شروع
11
00:00:17,440 –> 00:00:18,000
کنید،
12
00:00:18,000 –> 00:00:19,760
چگونه با مجموعههای بزرگی از
13
00:00:19,760 –> 00:00:21,119
دادهها برخورد میکنید و چگونه
14
00:00:21,119 –> 00:00:23,439
اطلاعات را با استفاده از تجزیه و تحلیل دادهها از آن استخراج میکنید،
15
00:00:23,439 –> 00:00:25,359
ما همه اینها را پوشش میدهیم و
16
00:00:25,359 –> 00:00:26,800
بیشتر در این جلسه،
17
00:00:26,800 –> 00:00:29,439
بنابراین اجازه دهید نگاهی به دستور کار بیندازیم، اما
18
00:00:29,439 –> 00:00:30,320
قبل از شروع
19
00:00:30,320 –> 00:00:32,558
لطفا روی دکمه اشتراک کلیک کنید و
20
00:00:32,558 –> 00:00:34,399
روی نماد زنگ اعلان کلیک کنید
21
00:00:34,399 –> 00:00:35,920
تا هرگز به روز رسانی دیگری را از دست ندهید،
22
00:00:35,920 –> 00:00:37,440
همچنین اگر این ویدیو را دوست دارید، روی دکمه لایک کلیک کنید
23
00:00:37,440 –> 00:00:38,960
و در
24
00:00:38,960 –> 00:00:40,559
بخش نظرات در زیر به ما اطلاع دهید که
25
00:00:40,559 –> 00:00:42,160
مایلید چه فناوری هایی را در
26
00:00:42,160 –> 00:00:42,960
ادامه پوشش دهیم،
27
00:00:42,960 –> 00:00:44,719
همچنین اگر
28
00:00:44,719 –> 00:00:46,399
در مورد هر یک از موارد
29
00:00:46,399 –> 00:00:48,079
و موضوعاتی که در طول این دوره پوشش داده شده است، یک یادداشت سریع دارید.
30
00:00:48,079 –> 00:00:49,200
31
00:00:49,200 –> 00:00:51,440
لطفاً آنها را در جعبه چت قرار دهید و
32
00:00:51,440 –> 00:00:53,440
تیم ما برای کمک به شما
33
00:00:53,440 –> 00:00:55,120
در مورد سؤالاتی که ممکن است داشته باشید
34
00:00:55,120 –> 00:00:57,440
نیز وجود دارد، همچنین اگر هر یک از ابزارها
35
00:00:57,440 –> 00:00:59,359
و اصطلاحات فناوری که ما استفاده
36
00:00:59,359 –> 00:01:01,120
می کنیم برای شما و شما کمی جذاب به نظر می رسد.
37
00:01:01,120 –> 00:01:02,559
همه آنها
38
00:01:02,559 –> 00:01:04,319
را متوجه نشدید نگران نباشید تا
39
00:01:04,319 –> 00:01:05,840
پایان ارائه با ما همراه باشید و ما شما را
40
00:01:05,840 –> 00:01:07,200
از طریق برخی از منابعی که از طریق
41
00:01:07,200 –> 00:01:08,799
آنها می توانید همه این موارد را یاد بگیرید راهنمایی می
42
00:01:08,799 –> 00:01:10,240
کنیم، بنابراین اجازه دهید نگاهی به
43
00:01:10,240 –> 00:01:12,640
دستور کار بیندازیم. برای جلسه، بنابراین ما
44
00:01:12,640 –> 00:01:14,479
با نگاهی
45
00:01:14,479 –> 00:01:16,640
به چیستی تجزیه و تحلیل داده
46
00:01:16,640 –> 00:01:18,240
47
00:01:18,240 –> 00:01:19,600
48
00:01:19,600 –> 00:01:21,200
ها شروع
49
00:01:21,200 –> 00:01:23,360
می کنیم. همه ما می دانیم
50
00:01:23,360 –> 00:01:24,960
در مورد چه چیزی صحبت می کنیم و همه
51
00:01:24,960 –> 00:01:27,200
در یک صفحه هستیم و سپس به
52
00:01:27,200 –> 00:01:28,400
این موضوع می پردازیم که چرا تجزیه و تحلیل داده
53
00:01:28,400 –> 00:01:30,159
ها تلاش می کند و درک می کند که چرا باید
54
00:01:30,159 –> 00:01:32,320
تجزیه و تحلیل داده را روی هر قطعه
55
00:01:32,320 –> 00:01:34,240
اطلاعات یا داده ای که دارید انجام دهید
56
00:01:34,240 –> 00:01:36,479
چرا تجزیه و تحلیل داده ها به این معنا که
57
00:01:36,479 –> 00:01:37,759
ما در حال تلاش هستیم برای توضیح
58
00:01:37,759 –> 00:01:39,840
اینکه چرا می خواهید از تجزیه و تحلیل داده استفاده کنید
59
00:01:39,840 –> 00:01:41,040
و
60
00:01:41,040 –> 00:01:43,280
اگر مجموعه داده ای دارید چه فایده ای می تواند برای شما داشته باشد،
61
00:01:43,280 –> 00:01:44,640
چرا می خواهید
62
00:01:44,640 –> 00:01:46,799
تجزیه و تحلیل داده را روی آن انجام دهید،
63
00:01:46,799 –> 00:01:48,240
سپس نگاهی خواهیم داشت به اجزای
64
00:01:48,240 –> 00:01:50,399
تجزیه و تحلیل داده ها که تجزیه و تحلیل داده
65
00:01:50,399 –> 00:01:52,240
شامل چندگانه است. مولفه ها را بررسی می کنیم و
66
00:01:52,240 –> 00:01:54,000
یک به یک به آن ها
67
00:01:54,000 –> 00:01:55,200
نگاهی می اندازیم، با نگاهی به
68
00:01:55,200 –> 00:01:57,119
محاسبات عددی شروع می کنیم، سپس
69
00:01:57,119 –> 00:01:58,880
نگاهی به دستکاری داده ها می اندازیم و سپس
70
00:01:58,880 –> 00:02:00,880
نگاهی به تجسم داده ها می اندازیم،
71
00:02:00,880 –> 00:02:02,640
این سه مورد اصلی هستند. اجزای
72
00:02:02,640 –> 00:02:05,040
تجزیه و تحلیل دادهها هنگامی که با اینها شروع کردید،
73
00:02:05,040 –> 00:02:05,920
74
00:02:05,920 –> 00:02:09,038
میتوانیم مجموعه پیچیدهای
75
00:02:09,038 –> 00:02:10,080
از دادهها را که در اختیار داریم، تجزیه و تحلیل کنیم،
76
00:02:10,080 –> 00:02:12,000
اگرچه این فیلمها بسیار وسیع هستند، بنابراین
77
00:02:12,000 –> 00:02:13,520
ما قرار نیست به عمق
78
00:02:13,520 –> 00:02:14,800
همه
79
00:02:14,800 –> 00:02:16,480
آنها بپردازیم، سپس در این زمینه دست به کار خواهیم شد.
80
00:02:16,480 –> 00:02:18,560
عملاً اگر دنبال میکنید،
81
00:02:18,560 –> 00:02:20,160
میتوانید با ما همراه باشید،
82
00:02:20,160 –> 00:02:20,800
تنها
83
00:02:20,800 –> 00:02:23,200
کاری که باید انجام دهید این است که باید آناکوندا را نصب کنید
84
00:02:23,200 –> 00:02:25,280
که نوتبوک jupiter است
85
00:02:25,280 –> 00:02:27,040
و باید نمونه نوتبوک jupyter خود را راهاندازی کنید
86
00:02:27,040 –> 00:02:28,879
و یک گره جدید ایجاد کنید.
87
00:02:28,879 –> 00:02:31,280
به غیر از این که هیچ کتابخانه ای غیر از
88
00:02:31,280 –> 00:02:33,120
آنچه که به طور پیش فرض با استفاده از یک
89
00:02:33,120 –> 00:02:34,640
حساب کاربری مورد نیاز نصب شده است، وجود ندارد،
90
00:02:34,640 –> 00:02:37,200
بنابراین بیایید نگاهی به
91
00:02:37,200 –> 00:02:39,280
تجزیه و تحلیل داده ها بیندازیم، تجزیه و
92
00:02:39,280 –> 00:02:40,640
تحلیل داده ها اساس چیزی است که
93
00:02:40,640 –> 00:02:42,239
در کل این ارائه پوشش خواهیم داد.
94
00:02:42,239 –> 00:02:44,959
بنابراین تجزیه
95
00:02:44,959 –> 00:02:45,680
96
00:02:45,680 –> 00:02:48,959
و تحلیل داده ها فرآیند تجزیه و تحلیل داده های گوشت گاو با
97
00:02:48,959 –> 00:02:49,680
انجام
98
00:02:49,680 –> 00:02:53,200
چندین عملیات روی آن
99
00:02:53,200 –> 00:02:56,239
مانند تبدیل و تمیز کردن
100
00:02:56,239 –> 00:02:59,519
و غیره است و سپس اطلاعات مفیدی از
101
00:02:59,519 –> 00:03:00,159
آن استخراج می شود،
102
00:03:00,159 –> 00:03:02,800
بنابراین اگر تا به حال در مورد علم داده خوانده
103
00:03:02,800 –> 00:03:04,000
اید، اگر تا به حال در مورد
104
00:03:04,000 –> 00:03:06,080
فرآیند یادگیری ماشین شنیده اید، یکی از آنها
105
00:03:06,080 –> 00:03:08,159
مراحل کل خط لوله علم داده و
106
00:03:08,159 –> 00:03:09,840
یادگیری ماشین
107
00:03:09,840 –> 00:03:13,200
، تجزیه و تحلیل داده یا تجزیه و تحلیل داده است، همانطور
108
00:03:13,200 –> 00:03:14,480
که ممکن است آن را تجزیه و تحلیل کنید.
109
00:03:14,480 –> 00:03:17,200
110
00:03:17,200 –> 00:03:18,000
111
00:03:18,000 –> 00:03:19,760
112
00:03:19,760 –> 00:03:22,400
113
00:03:22,400 –> 00:03:24,720
دقیقاً چندین ویژگی
114
00:03:24,720 –> 00:03:26,640
داخل دادهها هستند که شما دارید
115
00:03:26,640 –> 00:03:28,560
چگونه این ویژگیها با
116
00:03:28,560 –> 00:03:30,239
یکدیگر مرتبط هستند، چه ویژگیهایی
117
00:03:30,239 –> 00:03:32,000
برای شما مهم هستند. ct
118
00:03:32,000 –> 00:03:34,640
آن ویژگیها
119
00:03:34,640 –> 00:03:36,640
چگونه مقادیر ناخواسته را حذف میکنید، چگونه
120
00:03:36,640 –> 00:03:39,200
ستونهای ناخواسته را حذف میکنید و چگونه
121
00:03:39,200 –> 00:03:40,560
مقادیری را که
122
00:03:40,560 –> 00:03:43,519
در حال حاضر در دسترس نیستند پر میکنید، بنابراین پس از
123
00:03:43,519 –> 00:03:45,440
دریافت دادهها، دادهها را تجزیه و تحلیل کنید و متوجه شوید
124
00:03:45,440 –> 00:03:47,120
که چه اشتباهاتی ممکن است دادههای شما
125
00:03:47,120 –> 00:03:47,680
داشته باشد.
126
00:03:47,680 –> 00:03:49,920
فقط در این صورت است که میتوانید دادهها را پاک کنید و
127
00:03:49,920 –> 00:03:52,080
دادهها را تبدیل کنید و سپس
128
00:03:52,080 –> 00:03:53,760
باید دادهها را تجسم کنید و باید
129
00:03:53,760 –> 00:03:55,360
کارهای مختلف زیادی
130
00:03:55,360 –> 00:03:57,920
را انجام دهید تا دادههای خود را
131
00:03:57,920 –> 00:03:58,799
متراکمتر
132
00:03:58,799 –> 00:04:01,599
کنید و دادههایتان را بتوانید به خوبی استخراج کنید.
133
00:04:01,599 –> 00:04:03,200
اطلاعاتی که از آن
134
00:04:03,200 –> 00:04:04,959
به دست میآید، باید بتوانید
135
00:04:04,959 –> 00:04:06,959
تجزیه و تحلیل دادهها را انجام دهید تا بفهمید که چگونه
136
00:04:06,959 –> 00:04:08,000
میتوان دادهها را معنا کرد.
137
00:04:08,000 –> 00:04:10,159
138
00:04:10,159 –> 00:04:12,000
139
00:04:12,000 –> 00:04:13,920
140
00:04:13,920 –> 00:04:15,040
141
00:04:15,040 –> 00:04:16,959
اما مهمترین جنبهای که
142
00:04:16,959 –> 00:04:18,320
باید بدانیم
143
00:04:18,320 –> 00:04:20,720
این است که تجزیه و تحلیل دادهها در مورد
144
00:04:20,720 –> 00:04:22,400
انجام چند مرحله
145
00:04:22,400 –> 00:04:24,160
روی دادههایی است که بسته
146
00:04:24,160 –> 00:04:26,240
به مراحلی که باید انجام شوند
147
00:04:26,240 –> 00:04:28,320
و آنها در اختیار داریم. مراحلی که دادههای ما را تغییر میدهند،
148
00:04:28,320 –> 00:04:29,840
دادههای ما را پاک
149
00:04:29,840 –> 00:04:31,199
میکنند، شکل
150
00:04:31,199 –> 00:04:32,639
دادههای ما را برای بهتر شدن تغییر میدهند، بنابراین باید
151
00:04:32,639 –> 00:04:34,400
بفهمیم که با دادههایی
152
00:04:34,400 –> 00:04:36,080
که این عملیات را روی آنها انجام میدهیم، چه میکنیم.
153
00:04:36,080 –> 00:04:36,479
154
00:04:36,479 –> 00:04:38,400
استفاده از این عملیات چه فایده ای خواهد
155
00:04:38,400 –> 00:04:39,520
داشت
156
00:04:39,520 –> 00:04:42,160
و سپس تجزیه و تحلیل داده ها به دست می آید، بنابراین ما
157
00:04:42,160 –> 00:04:43,520
درک می کنیم که تجزیه و تحلیل داده
158
00:04:43,520 –> 00:04:45,440
چیست که اساساً داده های
159
00:04:45,440 –> 00:04:46,800
تجسم داده ها و تمام
160
00:04:46,800 –> 00:04:48,720
محاسبات عددی و همه اینها را تغییر می دهد،
161
00:04:48,720 –> 00:04:51,120
اما اوه چرا باید تمام مشکلات
162
00:04:51,120 –> 00:04:53,360
تجزیه و تحلیل برخی از مجموعه داده ها را انجام دهیم. به این معنی که شما فقط میتوانید
163
00:04:53,360 –> 00:04:54,639
از نظر
164
00:04:54,639 –> 00:04:55,759
تئوری آن را از طریق الگوریتم یادگیری ماشینی
165
00:04:55,759 –> 00:04:57,840
با استفاده از یادگیری چرخهای قرار دهید و یک مدل ایجاد کنید
166
00:04:57,840 –> 00:04:58,400
167
00:04:58,400 –> 00:05:00,000
و سپس پیشبینی کنید، بنابراین چرا
168
00:05:00,000 –> 00:05:01,600
در تجزیه و تحلیل مجموعه دادهای
169
00:05:01,600 –> 00:05:02,800
که در حال حاضر به
170
00:05:02,800 –> 00:05:04,800
خوبی دارید، تجزیه و تحلیل دادهها
171
00:05:04,800 –> 00:05:07,039
با هدف گرفتن نتیجهگیری انجام میشود.
172
00:05:07,039 –> 00:05:09,520
داده های موجود را برای
173
00:05:09,520 –> 00:05:11,440
اطلاع بهتر از فرآیند تصمیم گیری ما در
174
00:05:11,440 –> 00:05:13,759
نظر بگیرید سناریوی زیر را در نظر بگیرید که شما
175
00:05:13,759 –> 00:05:15,120
یک دانشمند داده هستید
176
00:05:15,120 –> 00:05:17,039
که در او کار می کنید
177
00:05:17,039 –> 00:05:19,039
همکاری با صندوق
178
00:05:19,039 –> 00:05:21,440
dge وضعیت مالی
179
00:05:21,440 –> 00:05:23,520
شرکت شما به دلایلی رو به کاهش است
180
00:05:23,520 –> 00:05:26,479
و آنچه شما دارید داده های زیادی در مورد
181
00:05:26,479 –> 00:05:27,120
نحوه انجام
182
00:05:27,120 –> 00:05:29,360
امور مالی و حسابرسی در
183
00:05:29,360 –> 00:05:30,400
داخل شرکت شما است
184
00:05:30,400 –> 00:05:33,039
اکنون آنچه باید انجام دهید این است که باید
185
00:05:33,039 –> 00:05:33,440
آن را
186
00:05:33,440 –> 00:05:35,600
تجزیه و تحلیل کنید. دادهها بهمنظور اینکه بفهمید
187
00:05:35,600 –> 00:05:37,759
کجاها
188
00:05:37,759 –> 00:05:38,320
189
00:05:38,320 –> 00:05:40,160
برای تصحیح این اشتباهات اشتباه شدهاند، این جایی است که
190
00:05:40,160 –> 00:05:41,840
تجزیه و تحلیل دادهها وارد عمل میشود
191
00:05:41,840 –> 00:05:43,360
که کمی فرضی
192
00:05:43,360 –> 00:05:45,360
بود، اما شما میتوانید از تجزیه و تحلیل دادهها
193
00:05:45,360 –> 00:05:47,280
به نفع خود استفاده کنید و همچنین
194
00:05:47,280 –> 00:05:48,720
فرض کنید که شما در حال جمعآوری دادههایی
195
00:05:48,720 –> 00:05:50,240
درباره نوع کتابهایی هستند که میخوانید
196
00:05:50,240 –> 00:05:52,000
درباره نوع کتابهایی که دوستانتان میخوانند
197
00:05:52,000 –> 00:05:53,759
درباره انواع فیلمهایی
198
00:05:53,759 –> 00:05:55,280
199
00:05:55,280 –> 00:05:56,639
که دوستان و خانوادهتان
200
00:05:56,639 –> 00:05:58,560
تماشا کردهاند و کارهایی که میتوانید با استفاده از آنها انجام دهید.
201
00:05:58,560 –> 00:05:59,280
تجزیه و
202
00:05:59,280 –> 00:06:02,400
تحلیل دادهها سپس شکل دادهها را
203
00:06:02,400 –> 00:06:04,720
درک میکند که معمولاً چه نوع فیلمهایی
204
00:06:04,720 –> 00:06:06,800
205
00:06:06,800 –> 00:06:08,800
را ترجیح میدهید تا دوستان و خانوادهتان چه نوع فیلمهایی را تماشا کنند.
206
00:06:08,800 –> 00:06:10,880
تفاوتهای بین
207
00:06:10,880 –> 00:06:12,319
شما و
208
00:06:12,319 –> 00:06:14,240
دوستانتان در مورد فیلمها و کتابها و سپس چگونه
209
00:06:14,240 –> 00:06:15,360
میتوانید
210
00:06:15,360 –> 00:06:17,600
با آن فیلمها کنار بیایید و سپس فیلم بعدی
211
00:06:17,600 –> 00:06:19,280
را انتخاب کنید که
212
00:06:19,280 –> 00:06:20,960
شباهتها کجا اتفاق میافتد، بنابراین بیایید بگوییم که
213
00:06:20,960 –> 00:06:22,560
شما محرکهای اکشن را
214
00:06:22,560 –> 00:06:24,160
دوست دارید و دوستانتان نیز به فیلمهای اکشن علاقه
215
00:06:24,160 –> 00:06:25,919
دارند. دفعه بعد که میخواهید
216
00:06:25,919 –> 00:06:27,120
با دوستانتان کنار بیایید و به تماشای فیلمی
217
00:06:27,120 –> 00:06:27,759
218
00:06:27,759 –> 00:06:29,520
بروید، میتوانید یک فیلم اکشن هیجانانگیز انتخاب کنید، این
219
00:06:29,520 –> 00:06:31,520
میتواند در
220
00:06:31,520 –> 00:06:34,160
فرآیند تصمیمگیری شخصی شما در امور مالی نیز موثر باشد، اگر
221
00:06:34,160 –> 00:06:35,440
فردی هستید که
222
00:06:35,440 –> 00:06:36,720
سرمایهگذاری زیادی میکنید، میتوانید به فیلم نگاه کنید.
223
00:06:36,720 –> 00:06:38,639
قیمتهای سهام ماقبل تاریخ، دادهها را تجزیه و تحلیل
224
00:06:38,639 –> 00:06:40,160
میکنند و متوجه میشوند که آیا قیمت در
225
00:06:40,160 –> 00:06:41,360
حال افزایش است یا پایین
226
00:06:41,360 –> 00:06:43,520
، جنبههای زیادی برای تجزیه و تحلیل دادهها
227
00:06:43,520 –> 00:06:45,120
وجود دارد، این فقط به امور مالی شخصی مربوط نمیشود
228
00:06:45,120 –> 00:06:46,240
یا
229
00:06:46,240 –> 00:06:48,560
اینکه چگونه میتوانید یک کار خاص را انجام
230
00:06:48,560 –> 00:06:50,240
دهید، بلکه میتوانید به وظایف خود نیز نگاهی بیندازید.
231
00:06:50,240 –> 00:06:52,160
امور مالی مشخص می کند که بیشترین
232
00:06:52,160 –> 00:06:53,759
پول شما به کجا رفته است و
233
00:06:53,759 –> 00:06:55,440
شما بهتر می توانید این
234
00:06:55,440 –> 00:06:57,199
اشتباهات را تصحیح کنید. بهترین تصمیم ها
235
00:06:57,199 –> 00:06:59,120
تصمیماتی هستند که با کمک
236
00:06:59,120 –> 00:06:59,599
داده ها گرفته می شوند.
237
00:06:59,599 –> 00:07:01,680
و درک مشکل در دست، بنابراین
238
00:07:01,680 –> 00:07:02,880
تجزیه و تحلیل داده ها
239
00:07:02,880 –> 00:07:06,000
شما را قادر می سازد تا درک خوبی از
240
00:07:06,000 –> 00:07:06,800
نحوه استفاده
241
00:07:06,800 –> 00:07:08,720
از داده هایی داشته باشید که در حال حاضر برای شما در دسترس است،
242
00:07:08,720 –> 00:07:10,720
در صورتی که هیچ داده ای ندارید به
243
00:07:10,720 –> 00:07:12,319
احتمال زیاد بسیاری از
244
00:07:12,319 –> 00:07:13,599
خدمات ارائه دهنده پرداخت و بسیاری از
245
00:07:13,599 –> 00:07:15,199
خدمات. تنها کاری که باید انجام دهید این است که شما برای
246
00:07:15,199 –> 00:07:17,039
انتقال پول از آن استفاده می کنید و آن داده را برای شما فراهم
247
00:07:17,039 –> 00:07:18,639
248
00:07:18,639 –> 00:07:20,560
249
00:07:20,560 –> 00:07:21,919
250
00:07:21,919 –> 00:07:22,479
251
00:07:22,479 –> 00:07:24,400
می کند.
252
00:07:24,400 –> 00:07:26,479
تجزیه و تحلیل بنابراین ما بحث کرده ایم که تجزیه و تحلیل داده ها به چه
253
00:07:26,479 –> 00:07:28,639
دلیل مفید است، اما
254
00:07:28,639 –> 00:07:30,319
اکنون زمان آن فرا رسیده است
255
00:07:30,319 –> 00:07:32,880
که اجزای تجزیه و تحلیل داده ها را درک کنیم، بنابراین
256
00:07:32,880 –> 00:07:35,360
تجزیه و تحلیل داده ها یک فرآیند چند وجهی است
257
00:07:35,360 –> 00:07:37,840
چند وجهی به این معنی که چندین
258
00:07:37,840 –> 00:07:39,680
مؤلفه در آن وجود دارد، اکنون این فرآیند دارای
259
00:07:39,680 –> 00:07:41,360
مؤلفه های متعدد است همانطور که ما داریم. بحث شد
260
00:07:41,360 –> 00:07:43,599
پس بیایید یک به یک به آنها نگاهی بیندازیم
261
00:07:43,599 –> 00:07:45,680
این مؤلفه ها فقط
262
00:07:45,680 –> 00:07:47,520
تفسیر ما از مؤلفه هایی است که می توانید
263
00:07:47,520 –> 00:07:48,400
اگر می خواهید
264
00:07:48,400 –> 00:07:50,000
معیارهای متفاوتی را تعریف کنید و
265
00:07:50,000 –> 00:07:51,680
ابتدا مؤلفه های مختلفی را ارائه کنید.
266
00:07:51,680 –> 00:07:53,520
محاسبات عددی اگر
267
00:07:53,520 –> 00:07:54,960
دادههایی دارید که ساختار عددی
268
00:07:54,960 –> 00:07:56,800
دارند و میخواهید
269
00:07:56,800 –> 00:07:58,240
اطلاعاتی از آن به دست
270
00:07:58,240 –> 00:07:59,840
آورید، ممکن است مجبور شوید محاسبات عددی
271
00:07:59,840 –> 00:08:01,360
را نیز روی آن انجام دهید تا زمینهای را در
272
00:08:01,360 –> 00:08:03,520
اختیار شما قرار دهد، فرض
273
00:08:03,520 –> 00:08:04,800
کنید در
274
00:08:04,800 –> 00:08:08,000
کلاسهایی شرکت کردهاید تا یاد بگیرید چگونه برای نواختن
275
00:08:08,000 –> 00:08:09,759
یک ساز اکنون
276
00:08:09,759 –> 00:08:11,440
به طور منظم در آن کلاس ها شرکت
277
00:08:11,440 –> 00:08:12,960
نکرده اید، آنها را در دوره های کوتاهی شرکت کرده اید،
278
00:08:12,960 –> 00:08:14,080
بنابراین فرض
279
00:08:14,080 –> 00:08:16,000
کنید یک کلاس را در اول آگوست گذرانده اید
280
00:08:16,000 –> 00:08:17,919
و سپس در 14 آگوست ترک تحصیل کرده
281
00:08:17,919 –> 00:08:19,680
اید، سپس کلاس ها را در سوم شهریور دوباره شروع کرده اید.
282
00:08:19,680 –> 00:08:21,199
سپتامبر و سپس در
283
00:08:21,199 –> 00:08:23,360
15 سپتامبر انصراف دادید و غیره و غیره،
284
00:08:23,360 –> 00:08:24,720
بنابراین کاری که می توانید انجام دهید این است که
285
00:08:24,720 –> 00:08:26,240
بتوانید داده های زمان شروع و
286
00:08:26,240 –> 00:08:26,879
پایان آن را جمع آوری کنید
287
00:08:26,879 –> 00:08:28,560
و بتوانید محاسبات عددی را انجام دهید
288
00:08:28,560 –> 00:08:30,319
تا بفهمید
289
00:08:30,319 –> 00:08:32,159
طولانی ترین دوره چه زمانی بوده است. جایی
290
00:08:32,159 –> 00:08:34,320
که انصراف ندادید مدت زمان
291
00:08:34,320 –> 00:08:36,000
تمام دوره ها چقدر است کوتاه ترین
292
00:08:36,000 –> 00:08:37,440
دوره شما حتی می توانید
293
00:08:37,440 –> 00:08:39,440
اظهاراتی را انجام دهید که در آن کوتاه ترین دوره
294
00:08:39,440 –> 00:08:41,120
می توانید انجام دهید.
295
00:08:41,120 –> 00:08:42,080
چرا میخواهید
296
00:08:42,080 –> 00:08:43,839
در کوتاهترین زمان و مواردی
297
00:08:43,839 –> 00:08:45,600
از این دست کار را ترک کنید، بنابراین محاسبات
298
00:08:45,600 –> 00:08:47,440
عددی واقعاً مفید هستند زمانی که ما میخواهیم
299
00:08:47,440 –> 00:08:49,200
نوعی
300
00:08:49,200 –> 00:08:50,959
تحلیل و محاسبات عددی را روی دادههایی
301
00:08:50,959 –> 00:08:51,680
که در اختیار داریم انجام دهیم
302
00:08:51,680 –> 00:08:53,440
و میخواهیم اجزای عددی جدیدی ایجاد کنیم.
303
00:08:53,440 –> 00:08:55,360
به عنوان مثال
304
00:08:55,360 –> 00:08:56,880
ما میتوانیم کل
305
00:08:56,880 –> 00:08:58,480
مدت زمانی را که صرف یادگیری
306
00:08:58,480 –> 00:08:59,200
این چیزها
307
00:08:59,200 –> 00:09:01,519
صرف کردهاید، بدون توجه به شکافهای موجود
308
00:09:01,519 –> 00:09:03,200
بیندازیم و با استفاده از آن میتوانیم فقط
309
00:09:03,200 –> 00:09:05,519
تاریخ پایان را از تاریخ شروع کم کنیم
310
00:09:05,519 –> 00:09:06,640
و
311
00:09:06,640 –> 00:09:08,480
سپس تفاوتها را بدست آوریم و سپس آنها را با
312
00:09:08,480 –> 00:09:10,240
هم جمع کنیم.
313
00:09:10,240 –> 00:09:11,760
کل ساختار را دریافت میکنیم و میفهمیم
314
00:09:11,760 –> 00:09:13,519
که چگونه این کار را در پایتون در یک لحظه انجام دهیم، بنابراین
315
00:09:13,519 –> 00:09:15,040
316
00:09:15,040 –> 00:09:16,640
اگر میخواهید چیزی
317
00:09:16,640 –> 00:09:17,360
318
00:09:17,360 –> 00:09:19,360
شبیه یک شبکه عصبی یا
319
00:09:19,360 –> 00:09:21,120
چیزی شبیه به آن بسازید، محاسبات عددی دوباره به این معناست.
320
00:09:21,120 –> 00:09:22,880
بسیاری از محاسبات عددی و اگر
321
00:09:22,880 –> 00:09:24,080
میخواهید همه آنها را از
322
00:09:24,080 –> 00:09:25,760
ابتدا بسازید، باید بدانید که چگونه
323
00:09:25,760 –> 00:09:27,600
برخی از دادهها را به صورت عددی دستکاری کنید،
324
00:09:27,600 –> 00:09:29,279
سپس دادهها دستکاری میشوند. دستکاری داده ها
325
00:09:29,279 –> 00:09:30,720
با
326
00:09:30,720 –> 00:09:32,880
داشتن یک مجموعه داده و سپس کشف
327
00:09:32,880 –> 00:09:34,560
انواع چیزهایی که از آن نمی خواهید سر و
328
00:09:34,560 –> 00:09:36,399
کار دارد، به عنوان مثال اگر
329
00:09:36,399 –> 00:09:38,160
مجموعه داده ای دارید که دارای 5000 ردیف و
330
00:09:38,160 –> 00:09:40,160
30 ستون است و فقط 10 ستون
331
00:09:40,160 –> 00:09:42,000
می خواهید
332
00:09:42,000 –> 00:09:42,560
333
00:09:42,560 –> 00:09:44,560
اگر مقادیری از دست رفته است، آن 10 ستون را از 30 ستون استخراج کنید، اگر
334
00:09:44,560 –> 00:09:46,080
335
00:09:46,080 –> 00:09:47,680
مقادیری وجود دارد، چگونه با آنها برخورد می کنید،
336
00:09:47,680 –> 00:09:48,240
337
00:09:48,240 –> 00:09:50,480
اگر مقادیری وجود دارد که در مقیاس های مختلف هستند، چگونه با آنها برخورد می کنید، اگر مقادیری در
338
00:09:50,480 –> 00:09:51,360
مقیاس های مختلف وجود دارد،
339
00:09:51,360 –> 00:09:53,040
به عنوان مثال اگر داده هایی از بین المللی دریافت کنید.
340
00:09:53,040 –> 00:09:54,880
منابعی در جایی که مردم
341
00:09:54,880 –> 00:09:55,440
342
00:09:55,440 –> 00:09:56,959
برای اندازهگیری دما
343
00:09:56,959 –> 00:09:58,399
استفاده میکنند، در جایی افراد از فارنهایت استفاده میکنند، در جایی
344
00:09:58,399 –> 00:09:59,680
افراد از درجه سانتیگراد استفاده میکنند، در جایی
345
00:09:59,680 –> 00:10:00,880
افراد از کلوین استفاده میکنند
346
00:10:00,880 –> 00:10:03,040
و برای اندازهگیری طول اندازهگیری
347
00:10:03,040 –> 00:10:04,320
قد، اندازهگیری وزن،
348
00:10:04,320 –> 00:10:06,320
مقیاسهای مختلف میتوانند انجام دهند، تفاوت میتواند
349
00:10:06,320 –> 00:10:08,240
باعث مشکلات مختلفی شود، بنابراین در شرایطی
350
00:10:08,240 –> 00:10:08,880
مانند
351
00:10:08,880 –> 00:10:10,640
این باید دستکاری کنید. داده ها برای
352
00:10:10,640 –> 00:10:12,320
اینکه همه آنها با یک مقیاس خاص مطابقت داشته باشند، به
353
00:10:12,320 –> 00:10:14,640
همین دلیل است که دستکاری داده ها
354
00:10:14,640 –> 00:10:16,160
دستکاری داده ها بسیار مهم
355
00:10:16,160 –> 00:10:17,839
است. همچنین با بسیاری از
356
00:10:17,839 –> 00:10:19,360
مسائل پیچیده دیگر سر و کار دارد،
357
00:10:19,360 –> 00:10:22,399
این مسائل شامل تمیز کردن دادهها و
358
00:10:22,399 –> 00:10:24,880
تبدیل گروهبندی دادههای
359
00:10:24,880 –> 00:10:26,079
جداسازی دادهها است
360
00:10:26,079 –> 00:10:28,079
و همچنین اگر دادههایی دارید که
361
00:10:28,079 –> 00:10:29,920
میخواهید دادهها را فیلتر کنید، میتوانید این کار
362
00:10:29,920 –> 00:10:31,600
را با استفاده از دستکاری دادهها نیز انجام دهید، ما
363
00:10:31,600 –> 00:10:33,279
نگاهی خواهیم انداخت. در مورد نحوه انجام این کار در پایتون در
364
00:10:33,279 –> 00:10:35,279
دست ما، سپس تجسم داده ها
365
00:10:35,279 –> 00:10:36,959
تجسم داده ها تا حد زیادی یکی از
366
00:10:36,959 –> 00:10:38,480
مهم ترین مفاهیم
367
00:10:38,480 –> 00:10:40,880
در تجزیه و تحلیل داده ها است، این همان چیزی است که
368
00:10:40,880 –> 00:10:42,880
نمودارهای بصری و جریان نمودارهایی را ایجاد
369
00:10:42,880 –> 00:10:44,959
می کند که می توانیم در
370
00:10:44,959 –> 00:10:46,640
ارائه ها روی صفحه نمایش دهیم و آن را
371
00:10:46,640 –> 00:10:48,399
برای افرادی
372
00:10:48,399 –> 00:10:50,240
که سواد آنچنانی در فرآیند تجزیه و تحلیل داده ها
373
00:10:50,240 –> 00:10:52,079
ندارند قابل هضم تر کنید، بنابراین فرض کنید که می خواهید
374
00:10:52,079 –> 00:10:52,560
375
00:10:52,560 –> 00:10:54,240
گزارش فروش فصلی را در
376
00:10:54,240 –> 00:10:55,839
ارائه خود ارائه دهید و اکنون
377
00:10:55,839 –> 00:10:57,760
نشان دادن اعداد
378
00:10:57,760 –> 00:10:59,440
بسیار مفید نخواهد بود زیرا برای همه
379
00:10:59,440 –> 00:11:00,000
بسیار دشوار است.
380
00:11:00,000 –> 00:11:02,160
عدد را ببینید تجزیه و تحلیل کنید ببینید
381
00:11:02,160 –> 00:11:04,079
آیا روند رو به
382
00:11:04,079 –> 00:11:06,560
افزایش است یا نزولی،
383
00:11:06,560 –> 00:11:08,079
تندترین قیمت ها و
384
00:11:08,079 –> 00:11:10,640
پایین ترین شیب ها بوده است
385
00:11:10,640 –> 00:11:12,240
اگر این کار را با استفاده از
386
00:11:12,240 –> 00:11:15,120
هیستوگرام یا نمودار میلهای یا هر چیز
387
00:11:15,120 –> 00:11:16,880
دیگری انجام میدادید، برای افراد بسیار آسانتر بود
388
00:11:16,880 –> 00:11:18,399
که به
389
00:11:18,399 –> 00:11:20,560
نحوه کارکرد آن نگاه کنند و درک کنند، بنابراین بستگی
390
00:11:20,560 –> 00:11:22,000
به نحوه ساختار دادههای خود دارد. و
391
00:11:22,000 –> 00:11:23,279
چگونه می خواهید با آن کنار بیایید،
392
00:11:23,279 –> 00:11:26,079
اما در مفهوم اساسی، اگر می خواهید
393
00:11:26,079 –> 00:11:27,360
داده های خود را تجسم کنید،
394
00:11:27,360 –> 00:11:28,800
آنگاه بسیار قابل ارائه تر خواهد بود
395
00:11:28,800 –> 00:11:30,399
و درک آن برای شما بسیار
396
00:11:30,399 –> 00:11:32,240
آسان تر خواهد بود و
397
00:11:32,240 –> 00:11:33,519
برای دیگران درک آن آسان
398
00:11:33,519 –> 00:11:35,360
تر خواهد بود. نیاز به مقدار زیادی از
399
00:11:35,360 –> 00:11:36,160
محاسبات
400
00:11:36,160 –> 00:11:38,720
ذهنی و سربار ذهنی دارد، بنابراین اکنون
401
00:11:38,720 –> 00:11:39,920
402
00:11:39,920 –> 00:11:42,720
قبل از شروع کار به جنبه عملی رسیدیم،
403
00:11:42,720 –> 00:11:44,240
توجه داشته باشید که آنها برخی از مفاهیمی هستند
404
00:11:44,240 –> 00:11:45,040
که ما پوشش می دهیم
405
00:11:45,040 –> 00:11:46,959
ممکن است برای شما آشنا نباشند.
406
00:11:46,959 –> 00:11:48,560
ما از پانداها و
407
00:11:48,560 –> 00:11:50,399
matplotlib و نوت بوک jupyter استفاده می کنیم در صورتی که
408
00:11:50,399 –> 00:11:52,000
این موارد برای شما آشنا
409
00:11:52,000 –> 00:11:53,279
نیستند نگران نباشید در پایان
410
00:11:53,279 –> 00:11:54,480
ارائه شما را از طریق
411
00:11:54,480 –> 00:11:56,160
برخی از منابع راهنمایی می کنیم و اگر
412
00:11:56,160 –> 00:11:57,040
چیزی که استفاده می
413
00:11:57,040 –> 00:11:58,880
کنیم آشنا نیست به تو من در این
414
00:11:58,880 –> 00:12:00,720
زمینه، سپس آن را
415
00:12:00,720 –> 00:12:02,320
در جعبه سؤال یا در جعبه چت قرار دهید و
416
00:12:02,320 –> 00:12:04,160
ما به آن سؤالات برای شما پاسخ خواهیم داد، بنابراین
417
00:12:04,160 –> 00:12:05,200
اکنون بیایید شروع
418
00:12:05,200 –> 00:12:07,519
کنیم، تجزیه و تحلیل داده برای ما در دسترس است،
419
00:12:07,519 –> 00:12:09,360
من قبلاً یک
420
00:12:09,360 –> 00:12:11,279
دفترچه یادداشت مشتری ایجاد کرده ام که آن را تجزیه و تحلیل داده نامیده ام.
421
00:12:11,279 –> 00:12:12,000
با پایتون
422
00:12:12,000 –> 00:12:14,480
همه چیز برای ما انجام می شود تنها کاری که
423
00:12:14,480 –> 00:12:16,399
اکنون باید انجام دهیم این است که با کد خود شروع کنیم، بیایید
424
00:12:16,399 –> 00:12:18,240
با دستکاری عددی شروع کنیم،
425
00:12:18,240 –> 00:12:21,839
بنابراین اولین چیزی که من فقط
426
00:12:21,839 –> 00:12:25,360
دستکاری عددی را در حال حاضر اضافه می کنم در اینجا
427
00:12:25,360 –> 00:12:26,720
می خواهم کدی را
428
00:12:26,720 –> 00:12:28,079
یکی از بهترین چیزها بنویسم. در مورد
429
00:12:28,079 –> 00:12:29,760
نوت بوک jupyter این است که شما می توانید این
430
00:12:29,760 –> 00:12:31,279
گره ها را بنویسید، می توانید کد را بنویسید
431
00:12:31,279 –> 00:12:33,600
و می توانید کل
432
00:12:33,600 –> 00:12:35,279
خروجی کد را در یک
433
00:12:35,279 –> 00:12:36,959
فایل واحد دریافت کنید، بنابراین اکنون من numpy snp را وارد می
434
00:12:36,959 –> 00:12:39,360
435
00:12:39,360 –> 00:12:41,920
کنم اکنون اجرا می شود بنابراین numpy را وارد کردم.
436
00:12:41,920 –> 00:12:43,519
numpy کتابخانه دستکاری عددی
437
00:12:43,519 –> 00:12:45,760
است که از پایتون در دسترس است.
438
00:12:45,760 –> 00:12:47,519
اگر از numpy استفاده کرده باشید، یکی از محبوبترین آنهاست
439
00:12:47,519 –> 00:12:49,360
، پس میدانید
440
00:12:49,360 –> 00:12:51,200
که بسیار محبوب است و
441
00:12:51,200 –> 00:12:52,000
کاری که numpy انجام میدهد بسیار سریع
442
00:12:52,000 –> 00:12:54,240
است این است که به ما اجازه میدهد arr ایجاد کنیم. ays
443
00:12:54,240 –> 00:12:56,959
خارج از یک لیست پایتون معمولی لیست پایتون
444
00:12:56,959 –> 00:12:58,959
برخی از اطلاعات ناخواسته را ذخیره می کند که در
445
00:12:58,959 –> 00:13:00,320
حین محاسبات ریاضی مفید نیستند،
446
00:13:00,320 –> 00:13:01,600
مانند
447
00:13:01,600 –> 00:13:03,680
دقت بیت و همه اینها بسیار ناچیز
448
00:13:03,680 –> 00:13:05,440
، اندازه داده ها را کاهش می دهد
449
00:13:05,440 –> 00:13:07,200
و سپس به ما اجازه می دهد تا این
450
00:13:07,200 –> 00:13:08,880
محاسبات را به راحتی انجام دهیم.
451
00:13:08,880 –> 00:13:10,720
اگر من دارم، فرض کنید دو
452
00:13:10,720 –> 00:13:13,680
لیست از اعداد را صدا می زنم x
453
00:13:13,680 –> 00:13:14,800
x برابر با
454
00:13:14,800 –> 00:13:17,920
1 2 و 3 خواهد بود و y دارم که برابر با
455
00:13:17,920 –> 00:13:18,240
4،
456
00:13:18,240 –> 00:13:20,240
5 و 6 است. اگر قرار بود این دو
457
00:13:20,240 –> 00:13:21,279
عدد را جمع کنم،
458
00:13:21,279 –> 00:13:23,680
انجام می دهم. این به تنهایی کاری که
459
00:13:23,680 –> 00:13:25,040
باید انجام دهم
460
00:13:25,040 –> 00:13:28,959
یک بعلاوه b است و برای این کار باید
461
00:13:28,959 –> 00:13:31,760
روی تمام این چهار x در حلقه حلقه بزنم یا کار
462
00:13:31,760 –> 00:13:33,360
دیگری که می توانستم انجام دهم
463
00:13:33,360 –> 00:13:36,560
فقط x از
464
00:13:36,560 –> 00:13:39,920
i به علاوه y از i یا
465
00:13:39,920 –> 00:13:43,040
i در محدوده است.
466
00:13:43,040 –> 00:13:46,560
طول x اکنون من 4 به علاوه 1 برابر با 5 است
467
00:13:46,560 –> 00:13:49,040
5 به علاوه 2 برابر با 7 است 6 به علاوه 3 برابر است
468
00:13:49,040 –> 00:13:50,959
با 9 اکنون که کار می کند اما همانطور که می بینید
469
00:13:50,959 –> 00:13:52,480
کدهای زیادی برای نوشتن وجود دارد
470
00:13:52,480 –> 00:13:55,120
و این کار کرد زیرا من همان را دارم
471
00:13:55,120 –> 00:13:55,920
ابعاد
472
00:13:55,920 –> 00:13:57,760
اگر ابعاد یکسانی نداشتم
473
00:13:57,760 –> 00:13:58,959
مثلاً
474
00:13:58,959 –> 00:14:01,440
5 خطای ایندکس میگیرم که این هم خوب است
475
00:14:01,440 –> 00:14:02,720
زیرا همین است شما انتظار دارید، اما انجام
476
00:14:02,720 –> 00:14:04,320
آن در حالت عادی کمی دست و پا گیر و کمی
477
00:14:04,320 –> 00:14:05,279
دشوار است،
478
00:14:05,279 –> 00:14:08,399
اگر مجبور باشم این کار را با استفاده از um
479
00:14:08,399 –> 00:14:12,320
numpy انجام دهم، می توانم numpy را دقیقاً روی np dot انجام دهم
480
00:14:12,320 –> 00:14:14,240
و همانطور که می بینید، توابع زیادی وجود دارد
481
00:14:14,240 –> 00:14:16,240
که از آنها استفاده خواهم کرد. تابع افزودن
482
00:14:16,240 –> 00:14:19,760
را در یک دو سه
483
00:14:19,760 –> 00:14:21,760
چهار پنج شش ارسال می کنم و شما این را دریافت می کنید
484
00:14:21,760 –> 00:14:23,120
راه دیگری برای انجام این کار
485
00:14:23,120 –> 00:14:24,480
فقط ایجاد یک آرایه
486
00:14:24,480 –> 00:14:27,920
دو آرایه از آن آرایه np dot
487
00:14:27,920 –> 00:14:30,720
x است و من باید این را دوباره فرمت کنم
488
00:14:30,720 –> 00:14:31,519
البته
489
00:14:31,519 –> 00:14:34,079
سپس برای y که باید انجام دهم y برابر است
490
00:14:34,079 –> 00:14:35,680
با آرایه نقطه ای np
491
00:14:35,680 –> 00:14:39,680
4 5 6. حالا قرار است این ها را به
492
00:14:39,680 –> 00:14:40,000
x
493
00:14:40,000 –> 00:14:42,240
به اضافه y اضافه کنم و جواب 5 7 را به من می
494
00:14:42,240 –> 00:14:43,680
دهد
495
00:14:43,680 –> 00:14:45,440
و این یک آرایه numpy است
496
00:14:45,440 –> 00:14:47,440
تا بتوانی ببینید خروجی کاملاً وجود دارد،
497
00:14:47,440 –> 00:14:48,959
بنابراین این روشهایی است که میتوانید شما را دستکاری
498
00:14:48,959 –> 00:14:50,160
کنید، راههای زیادی وجود دارد که میتوانید
499
00:14:50,160 –> 00:14:52,160
یک آرایه را دستکاری کنید و
500
00:14:52,160 –> 00:14:53,360
انواع مختلفی از کارها را انجام دهید، مانند
501
00:14:53,360 –> 00:14:55,120
تفریق ضرب جمع، من قصد
502
00:14:55,120 –> 00:14:56,560
ندارم وارد همه آنها شوم، اما میتوانید
503
00:14:56,560 –> 00:14:58,720
انجام دهید. همه این وظایف به تنهایی
504
00:14:58,720 –> 00:15:01,199
حالا که کار ما تمام شده است، بیایید آن را انجام
505
00:15:01,199 –> 00:15:01,839
دهیم نگاهی
506
00:15:01,839 –> 00:15:07,120
به اینکه چگونه میتوانیم اکنون دستکاری دادهها را
507
00:15:09,760 –> 00:15:11,519
برای دستکاری دادهها
508
00:15:11,519 –> 00:15:14,320
انجام دهیم، تنها کاری که باید انجام دهم این است که اولاً میخواهم این کار را با دست
509
00:15:14,320 –> 00:15:16,959
انجام دهم، بنابراین اجازه دهید